구글에서 배우는 딥러닝(텐서 플로우) 강화학습 머신러닝 빅데이터
뇌를 모방한 알고리즘의 연구는 1940년대 무렵부터 시작되었으나 기술적인 문제가
발견되었다. 2000년대 후반들어 학습에 필요한 충분한 양의 데이터와 처리할 수 있
는 기계를 구하게 되어 정확도가 향상되었다.
구글의 순다 피차이CEO
우리는 모바일 퍼스트 세계에서 AI퍼스트 세계로 이행할 것
향후 IPO의 상위 5개 기업은 머신러닝에서 탄생할 것이라 예언
구글검색결과에도 랭크브레인을 적용하여 중요한 지표로 삼고 있다고 함.
도요타의 사례 2020년 까지 미국과 일본의 거의 ㅂ모든 스용ㅇ차에 차량 통신 장치
를 탑재하여 네트워크에 접속시키는 계획을 발표함.
운영데이터에 따라 유지보수와 보험서비스 제공을 할 계획임.
시바타 노리오 상무집행임원은 기업의 경쟁력은 데이터를 수집하여 가치로 바꾸는
능력이다.
인공지능비즈니스의 예
우버, 에어비앤비, 부동산서비스
유휴 자산을 효율적으로 공유하는 쉐어링 서비스는 빅 데이터와 인공지능에 의한
정확한 매칭 능력을무기로 급성장을 이루고 있음.
가장 큰 경제적 효과가 기대되는 분야는 의료보건분야임.
치료기록과 진단기록, 라이프 로그를 통합하여 환자와 건강한 사람간의 차이를 분
석할 수 있음.
금융분야에서 핀테크, 에듀 테크, HR테크가 주목받고 있음.
중소기업
클라우드 서비스를 제공하는 대형IT기업
인공지능 API
-인공지능과 머신러닝, 딥러닝에는 어떤 차이점이 있는가?
딥러닝은 머신러닝의 일부
인공지능=지적인 정보를 처리하는 것, 혹은 그러한 기술.
인공지능에 대한 견해는 매우 다양함.지적인 처리를 하는 큰 개념
인공지능>머신러닝>딥러닝
인공지능이 가장 포괄적 개념임.
머신러닝과 딥러닝도 인공지능을 실현하기 위한 방법.
머신러닝의 이야기를 하고 있을 때 그것이 반드시 립러닝이지는 않다.
머신러닝은 인간이 프로그램을 만들지 않는다.
저자에 따르면 머신러닝의 기본은 이렇다고 한다.
입력에 대한 답이 되는 출력 세트 예제를 기계에 많이 가져다 주면 기계는 인간이
프로그램을 만들지 않았음에도 학습하여 모델을 만들어간다.
뉴럴네트워크는 뇌의 신경구조를 논리적으로 모방하여 지적인 처리를 하고자 하는
것.
시냅스는 뇌의 신경세포이고 각 시냅스의 방향으로 신호를 보낸다. 이를 모방하
여 인공적으로 만든 것으로 노드라고 한다.
뇌의 시냅스 사이의 연계-> 여러 단계의 노드들과 연계함.
뉴럴 네트워크를 이해하기 위한 핵심포인트
-뉴럴 네트워크에서는 실수를 최소화하기 위해, 많은 양의 표본 데이터를 읽어들여
뉴런 사이의 관계를 나타내는 값을 조절하며 학습한다
-데이터가 복잡할 수 록 여러 계층으로 구성된 뉴럴 네트워크가 필요하다
-가장 큰 핵심은 인간이 프로그램을 동작시키지 않는 다는 점, 컴퓨터가 스스로 특
징을 파악한다는 점.
답을 가르치는 경우는 있어도 풀이법은 가르치지 않는다. 컴퓨터가 스스로 풀이ㅓ
ㅂ을 고안하여 사람을 뛰어넘을 가능성이 있어 딥러닝이 이목을 끌고 있다.
지도학습과 강화학습
- 머신러닝의 학습방법
지도학습- 입력한 데이터에 대해 출력 데이터가 나오면 정답이다.
이미지에서 개와 고양이를 구별하는 출력을 원할 때 학습과정의 예
지도학습에서는 정답 정보와 오답 정보가 학습 교사가 되어 이미지와 함께 컴퓨터에게 지도한다. 점점 정답이 되는 출력 데이터가 나올 수 있는 확률을 높이기 위해 내부의 변수를 조정하는 것.
강화학습 비 지도학습의 일종. 지금상태에서 다음 상태로 바뀔 때 무엇이 정답인지 그 시점에서는 알 수 없는 경우에 사용.
ex) 게임에서의 한 수가 그 시점에서 좋은 방법이라고 판단 되더라더 승패가 결정되지 않으면 마지막 정답은 알 수 없다.
ex2) 자동운전. 사고 없이 목적지까지 운전하는 것이 마지막 정답임.
이 다음 동작으로 액셀을 밟아야하는지, 브레이크를 밟아야 하는지 등의 내용은 그 시점에서 구할 수 있는 정답이 아님.
사자와인용.
보드게임의 경우 마지막에 좋은 것이 있는 수, 보상을 얻을 수 있는 경우에 상을 주는 방식으로 학습을 시킴. 이러한 반복 학습을 강화학습이라고 함.
질문하면서 배워나가는 학습은 지도학습.
축구 시합의 예. 패스와 슈팅을 반복하는 시합을 되풀이하면서 승리 공식을 배워나가는 것은 강화학습에 가깝다.
현재 대부분의의 머신러닝은 지도학습.
정답이 되는 출력을 바로 결정할 수 없는 강화학습은 앞으로 응용 사례가 늘어날 것.
알파고는 강화학습을 활용하였고 딥러닝과 몬테카를로 트리탐색이라는 기술을 결합하여 만들어졌다.
몬테카를로 트리탐색은 난수를 사용한 시뮬레이션을 통계적으로 답을 구하는 방법이다. 게임의 인공지능에 자주 사용되고 있다.
알파고는 모든 바둑의 수를 계싼해가며 싸우는 것이 아니라 딥러닝을 사용한 머신러닝 기술을 통해 컴퓨터가 스스로 바둑을 통달하였고 세계쩍인 바둑기사를 상대로 승리하였다.
3장 구글사례-구글의 딥러닝 활용 사례
구글 홈-가정용 AI기기
Google어시스턴트- 개인 사용자를 위한 인공지능 기능을 통합하여 부름
기능은 다음과 같다
-일상정보
-궁금한 것의 질문
-유용한 기능
-엔터테인먼트
-스마트 홈 컨트롤
-기타 즐길거리
OK, Google 이라고 말을 건넨 후 전달. 농담 등.
한국어는 2017년 말부터 지원한다.
ㅇ 데이터 센터의 소비전력을 이전보다 40%으로 절감함
설비의 가동 상태와 외부의 기후조건을 맞추어 설정을 최적화함.
이는 냉각 설비의 소비 전력을 줄일 수 있음.
수천개의 센서를 통해 온도, 전원장치, 펌프속도 설정 정보 수집=>
데이터와 데이터 센터의 소비전력,효율사이의 관계를 뉴렐 네트웍에 학습시킴.
최적의 설비운용시나리오를 만들고 주변의 온도와 기압을 학습하여 1시간 후의 온도와 습도의 데이터를 예측하고 예측에 기반을 둔 시나리오로 냉각 설비를 운용함.
ㅇ딥러닝 학습의 성과를 간편하게 사용할 수 있는 머신러닝 API
GCP 구글 클라우드 플랫폼을 통해 구글이 연구개발해온 딥러닝의 성과를 일반인들에게 제공하고 있음.
텐서플로(Tensor Flow)라는 머신러닝 라이브러리를 제공함.
머신러닝 훈련이 끝난 모델을 API로 제공하여 기능에 따라 답을 구할 수 있다.
ㅇ 사용자가 정의한 딥러닝을 활용할 수 있는 텐서플로
제공되는 api가 사용하고자 하는 용도에 적합하지 않을 때는 텐서플로가 도움이 된다.
파이썬으로 간단히 코드를 작성하면 딥러닝을 사용할 수 있다.
신경망을 스스로 설계하려면 다양한 지식과 방대한 하드웨어 자원이 필요함.
텐서플로를 사용하면 하이퍼 튠이라는 소프트웨어가 뉴럴네트워크를 자동 저장.
처음에는 pc에서 딥러닝 모델을 테스트해보고 실제 응용단계에서는 GPU를 사용하여 본격 가동하는 것에도 적합함.
ㅇ 딥러닝이 적합한 것 적합하지 않은 것
많은 양의 데이터가 있고 매우 복잡한 문제를 풀어야할 때 적합함.
자율운전, 이미지인식과 번역 등
데이터가 적거나 간단하면 딥러닝은 기억해버림. 부자연스러운 결과 출력.
결과에 실수가 허용되지 않는 애플리케이션에도 부적합.
돈의 경우 작은 단위가 맞아 떨어지지 않는 상황이 발생할 가능성.
- 비즈니스. 감으로 하던것을 실태파악하게 되어 비용절감의 가능성
어느부분에 적용해야할지 생각해내는 능력 필요.
구글 사례사진을 자동으로 분류하는 ‘Google 포토’
인공지능이 평가하는 그림 그리기 시스템 ‘Quick, Draw!’
컴퓨터도 꿈을 꿀 수 있는가? ‘딥 드림’ 실험
뛰어난 예술과 음악을 만들어내는 ‘마젠타’
동영상을 인식하는 기술! ‘독순술 전문가에게 승리하다’
✚ 3-4 문장을 이해하는 텍스트 분석
자동으로 이메일 답장 예문을 만드는 ‘Inbox’
스팸 필터의 정확도도 크게 향상
기업의 정보검색을 원활하게 하는 ‘구글 스프링보드’
✚ 3-5 대화만으로 컴퓨터와 의사를 소통하는 ‘음성 인식’
대화로 인간을 보조하는 ‘Google 어시스턴트’
합성음성도 피아노곡도 만들 수 있는 ‘WaveNet’
✚ 3-6 언어의 벽을 넘을 가능성이 보이기 시작한 ‘기계 번역’
뉴럴 네트워크로 진화된 Google 번역
댓글